В предыдущей статье на Хабре я рассказал о том, что создал за 6 недель CRM для Музыкального театра. Сейчас кажется, что статья получилась абстрактной, в стиле: «из молока можно приготовить сырники, мороженое и кефир — и процесс увлекателен, если ты опытный повар!». Возможно, зайдет рассказ о том как приготовить то или иное блюдо, этакая книга рецептов - погнали.

Краткое содержание первой серии: Желание автоматизировать процесс взаимодействия с 50 родителями привело к созданию чат бота с ИИ внутри. Процесс занял порядка 6 недель. Месяц работы бота сжигает порядка 10-12 млн токенов, что стоит около 1,5 долларов. Внутри крутятся 8 AI-Агентов. Сложно сказать сколько часов работы естественного интеллекта заменил этот бот, но, однозначно, сэкономил целую штатную единицу.

Ключевые показатели проекта

• Время разработки: 6 недель

• Пользователи: 50 родителей + 50 детей + 10 преподавателей  

• Обработка: 10-12 млн токенов/месяц

• Стоимость: $1.5/месяц

• Экономия: 1 штатная единица

• AI-агентов: 8

• Платформа: n8n + Grok, DeepSeek, Claude Sonnet (в качестве консультанта и кодера)

CRM vs ССМ

Когда пытаюсь сравнить ПО, сделанное из блоков в N8N, с какой-то классикой, вроде Битрикса, все рассыпается. Видимо, во взаимодействии 50 родителей, 50 детей и десяти преподавателей нет почвы для прорастания CRM. Но проблемы взаимодействия с родителями - клиентами - точно есть. Поэтому будем считать что Ванесса - Customer Communication Management (CCM) - управление всеми коммуникациями с клиентами, включая документооборот, уведомления, счета.

Рецепт 1. Никаких интерфейсов с кнопками

Сколько приложений у вас установлено для взаимодействия с МТС, Сбером, коммуналкой? Чат-бот на естественном языке решает эту проблему, но его работоспособность и эффективность были под вопросом.

В итоге родился меморандум для родителей:

## Работа с Ванессой

1. Ванесса - не смотря на то, что отправляет смайлики - программа для Telegram бота - робот. 

2. Администрация читает все диалоги, ИТ служба постоянно редактирует поведение Ванессы.

3. Так как мы обещали не спамить, Ванесса очень редко сама что-то пишет Вам. Поэтому лучше спросить ее лишний раз о расписании, концертах, костюмах и прочих моментах, вызывающих сомнение.

Ванесса умеет отвечать на вопросы детей. Ребенку нужно начать диалог с @vanessasa*****_bot, его зарегистрируют и можно задавать вопросы напрямую.

Если есть пожелания как улучшить нашего администратора - пишите Ванессе - она донесет ваши слова до нужных людей.

Рецепт 2. Онбординг

Так как весь обмен идет в Telegram, то ключевой момент - получить Telegram ID пользователя. Алгоритм следующий: срабатывает Telegram Триггер, мы пробуем достать из базы пользователя по его Telegram ID, если информации нет – отправляем в Онбординг – простенький Воркфлоу с AI-агентом, у которого:

# Цель

Ответить на все вопросы нового пользователя и получить информацию о Фамилии и Имени пользователя его ребенка

# Задача

Короткий диалог с пользователем, чтобы он не чувствовал что его игнорируют

В принципе, можно автоматизировать сопоставление пользователя и его TelegramID, но я не стал заморачиваться и вношу ID ручками. В инструментах у Агента - документ FAQ - то есть, в процессе входа в нашу CCM, пользователь может получить ответы на все вопросы про театр. Просто, легко в реализации и работает - редкое сочетание.

Рецепт 3. PID настройки моделей

Несколько лет занимаюсь FPV. Первый навык пилота - собрать и настроить дрон. Физика в дронах реализована PID регуляторами, настройками которых можно регулировать поведение железки в очень широком диапазоне от валенка до сгоревших моторов. В LLM есть похожие параметры, проставляются в параметрах чат-моделей. Например, DeepSeek дает такую табличку для Температуры:

Есть еще штрафы, размер ответа. Регулируя параметры можно заставить модель генерить инференс нужного вида. На рисунке 3 настройки моделей слева - для общения с новенькими, справа - парсер платежных документов. 

Однозначно, эту приправу следует добавлять для качества и вкуса. Правила применения - надо изучать отдельно. Я поставил значения интуитивно. 

Рецепт 4. База данных

Как я говорил в предыдущей статье, база данных - файл в Google Sheets. Этот файл удобно править, создавать новые листы с расписанием, в нем подсчитываются начисления и долги. Создать аналог Google Sheets - сломать все кости. Но есть нюанс: обращение к Google Sheets, с одной стороны - время (3-10 секунд на запрос), с другой - у креденшиала для Google есть ограничение на частоту обращений. Решение — периодическая синхронизация. Каждый час данные из Google Sheets копируются во внутреннюю структуру n8n — DataTables. 

DataTables - реализация на базе какой-то простой СУБД, но она хорошо интегрирована с остальными узлами N8N, хоть и самобытна. Сначала было дико осознавать отсутствие функционала реляционности, но потом принял, что реляции можно делать через JS.

На рисунке 4 Воркфлоу обновления базы данных из Google Sheets. Она обновляется раз в час по расписанию, или вебхуком, который дергает инструмент AI-Агента Админа. Иногда, ну очень нужно срочно обновить те правки что внесены в Эксель.

Архитектура n8n гениальна в своей простоте: все узлы работают с JSON. Они принимают JSON на входе и возвращают JSON на выходе. Поэтому, в общем случае, можно забрать таблицу Google Sheets и передать ее в DataTables (как это сделано с костюмами), а можно обработать узлом CODE на JS и распределить по нескольким таблицам (как это сделано с родителями и детьми).

Рецепт 5. Бухгалтер

Этот рецепт мне особо нравится! Родители делают 60-80 платежей в месяц. Такое количество является небольшим с точки зрения того, чтобы ручками разнести по экселю, но! громадным когда что-то потерял и надо найти.

В промптах Ванессы есть несколько вставок о том, что оплатил - пришли квитанцию. Дальше я стандартными инструментами беру файл, выделяю текст из PDF и бросаю агенту с задачей выделить: ФИО, номер документа, сумму, адресата, дату. Планировал скрупулезно сопоставлять поля документов, но решил попробовать AI-агента — решение оказалось правильным. Очень порадовался, когда увидел что народ кидает в виде чеков.

В какой-то момент, увидел ругань родителя с Ванессой - вот же, оплатил, почему не учла? Оказалось - родитель кидает в чат скриншот из приложения сбера с большой зеленой галочкой. 

• Хоботов, я оценила!!! - подумал я.

И сделал цепочку, объясняющую что нужен PDF (на рисунке блок Что за док). Чудо, но проблема пропала. Естественный интеллект очень хорошо настраивает диалог с искусственным.

Рецепт 6. Заранее подготовьте продукты

Инструменты в AI-Агента - это волшебство! Пишешь в промпте какой инструмент что делает, в каких случаях вызывается и штука работает. Было ощущение того, что получая данные через инструменты, получится сократить количество сжигаемых токенов. Но возникли проблемы:

1. Обращение к инструменту - это, минимум, еще один заход в LLM, чаще два и более - токены утекают.

2. Не всегда Агент обращается к инструменту, каких промптов с угрозами ему не пиши. А если не сходил в инструмент - нет данных - выдумка здравствуйте.

Поэтому все блоки я переделал вот в таком сценарии: получили данные, JS сделали фильтры и маски, чтобы не передавать в LLM служебные поля а-ля id, дата создания, дата обновления. В промпт добавляю заклинание в виде: 

# ДАННЫЕ и контекст

##Расписание

Структура:

- dayofWeek - День недели

- date - Дата занятия

- time - Время занятия

- weeknumber - Номер недели

- subject - Предмет/направление

- group - Название группы

- teacher - ФИО преподавателя

- notes - Заметки и комментарии если меняется место занятий, то тут новое место

- childrenname - ФИО ребенка

важно если в notes есть упоминания нового места занятий - эти данные приоритетны

Данные о расписании формате JSON

{{ JSON.stringify($('chld_shdl_JS').all().map(item => item.json), null, 2) }}

И снова есть нюанс: в данном случае он в количестве данных. Таблички до 10 строк смело добавляем в системный промпт, если больше - появляется U эффект. Например, грубо, если загнать список из 35 должников, то по запросу о долгах будет возвращаться рандомно от 30 до 35 человек. Серединку LLM “забывает”. По началу, было странно.

Рецепт 7. Закрывайте крышку

Не сразу, но в какой-то момент осознал то, что для LLM null и “нет данных” - две большие разницы в результате. Вся вероятностная суть LLM со штрафами за поведение прямо заставляет ее выдумывать там, где пустота. Выдумка в расписании и платежах - сильно напрягает всех. Поэтому, следует явно указывать ситуации где нет данных:

{{ $('parent_pay_JS').all().length > 0 && 

   $('parent_pay_JS').all()[0].json.data && 

   $('parent_pay_JS').all()[0].json.data.length > 0 && 

   Object.keys($('parent_pay_JS').all()[0].json.data[0]).length > 0 

   ? JSON.stringify($('parent_pay_JS').all().map(item => item.json), null, 2) 

   : 'Платежей нет' }}

За код не ругайте. Очень примерно понимаю что тут происходит - код генерирует Sonnet.

Рецепт 8. Страховка обязательна

Весь мир LLM непривычно хрупок. Все, начиная с оплаты виртуальными картами, сбоев VPN, смены структуры API (как это сделала команда DeepSeek 1 декабря, изменив свой reasoner) приводит к непонятному и неприятному молчанию Агентов или к ошибкам. В AI-Агентах есть галочка Использовать FallBack Model, соответственно - эта опция обязательна!

Для себя выбрал Grok и DeepSeek-chat в качестве FallBack. Но тут креатив приветствуется. 

Рецепт 9. Персонификация

Когда начал общаться с директорами театров и студий, услышал термин “служба заботы”. То, что, для влетающих в предметную область на крыльях ИТ, выглядит как “административная единица”, на самом деле важный человек на стыке между родителями и процессами. Поэтому, интуитивное решение дать боту имя и фото, оказалось очень даже удачным решением.

# Роль

Административный помощник Обнинского Музыкального Театра. Имя - Ванесса Ираклиевна. 

Родитель знает, что общается с ИИ, но он также знает, что за всеми переписками следит человек и голосом Ванессы может дать ответ - в какой-то момент граница стирается.

Рецепт 10. Логи. Читайте логи!

Логи - концепция очевидная. Однако, в данном случае, логируя всю переписку в отдельный Telegram канал, я читаю диалоги людей и ИИ. И именно диалоги, вопрос - ответ, позволяют файн тюнить поведение Ванессы. Например, в какой-то момент пришло осознание, что отмененные занятия идут сплошным списком с обычными и есть шанс пропустить. Строчка в промпт.

Рецепт 11. Делай как я!

“Чтобы найти грибы, нужно думать как гриб!”

Наши мыслительные процессы и процессы построения инференса в LLM очень похожи. Учитесь думать как LLM. Сначала это непривычно, но со временем начинаешь понимать, откуда берутся ошибки в промптах.

Исходя из того, что LLM всегда выбирает наиболее вероятный следующий токен, для получения нужного результата повышайте в промпте вероятность того, что вам нужно получить на выходе.

Техники, в том числе, такие:

• Использование текст

• Использование терминов, которыми прошит промпт. Лучше термины из двух и более слов. Так вы сдвигаете направление вектора инференса в Вашем, специфическом, мире, уменьшая, тем самым, влияние мирового знания на Ваш результат.

• Использование [ ]. Это высший пилотаж и сильно зависит от LLM. Где-то содержание скобок - библейские термины, например, в SUNO. В других LLM - необязательный параметр.

• Примеры. Пример - вообще отличная техника. А пример и антипример - просто супер.

Вот такая, казалось бы простая, конструкция, с неимоверной вероятностью, выдаст все числа, касающиеся денег, с разбивкой по разрядам жирным шрифтом.

Пример: 

ПРАВИЛЬНО:

Кредиторка на ближайший месяц 1 234 876 рублей

НЕ ПРАВИЛЬНО. ОШИБКА:

Кредиторка на ближайший месяц 1234876 рублей

Рецепт 12. Безопасность

Telegram, как и web - дикие джунгли. На аватар Ванессы сразу прибежали поклонники. Обязательно следует фильтровать пользователей. Я делаю это по Telegram ID. Все кто не мои - утыкаются в бесконечный диалог с простым AI-Агентом Онбординга и очень быстро теряют интерес к флирту.

Рецепт со звездочкой. Молекулярная кухня

Для тех кто дочитал до этого места и понимает что происходит. Классическая физика ИТ проекта - если зашел, то будет расти. Соответственно, в архитектуре следует предусмотреть этот рост, который, скорее всего, не заложен в ТЗ и прочих исходных идеях.

Сначала я разбил функционал по типам пользователей: Админы, Родители, Дети, Новенькие. Но, когда появилась задача помощи с Концертами, решил на входе поставить классификатор по типам вопросов, чтобы делать AI-агентов не длинным промптом с кучей инструментов, а решать короткие простые задачи. Плюсов огромное количество:

• Промпт не раздувается, за ним легче следить и нет склероза

• По вопросу пользователя вызывается короткий промпт, который сжигает меньше токенов и отрабатывает быстрее и точнее.

• Новая задача - отдельный простой промпт.

Но есть и минусы:

• Классификатор съедает 800 токенов на каждый запрос

• Не всегда из вопроса пользователя понятна тема, пришлось какое-то время налаживать процесс классификации

• Возможна ситуация, когда классификатор отравил не тому агенту. Пользователь влетает в Агента, в котором нет знаний по нужной теме. Например: расписание концертов и расписание занятий - разные агенты, и бывает в расписание занятий влетает вопрос о концертах. Поэтому в “смежных” AI-агентах есть закладки из соседа. Например: вот расписание, но есть еще и такие-то концерты, хотите расскажу? Ответ пользователя в виде “ДА” полетит уже в другого AI-Агента.

Однако, если разобрались в кухне и наладили классификатор, то, например, в ответ на Спасибо от пользователя мы идем не в большой промпт, сжигающий до 15К токенов Grok, а в отдельный AI-агент, который стоит 280 токенов DeepSeek-chat.

Заключение

Лет 10 назад уменя родилась мысль о том, что было бы классно поместить какие‑то специфические знания в специальные программки. Хозяйство большое: начиная с клубники на огороде и заканчивая задачами по работе, которые 5 раз объяснил, но потом все обнулились, а сам забыл. Я завидовал программистам, которые могут собрать на Pyton приложение, вычисляющее по видео котов и шугающее их с грядок автополивом.

Произошел квантовый переход — появился оркестр инструментов, которые можно освоить, они не вываливаются из рук и не разбегаются. Получается сделать то, что очень хотел, но требуемая энергия была просто запредельной. Причем, главный в этом оркестре не N8N, а Sonnet.

Ванесса уже «кругленькая» — занимается родителями и все счастливы. В работе RAG по документации, Феликс Эдмундович (раньше работал в спецслужбах) для контроля финансов, логистики и склада.

Есть мысль попробовать поставить Ванессу еще в несколько театрально‑музыкальных коллективов, однако осознание ее самобытной специфичности пока не дает сделать шаги по коммерческой дорожке. Но первое что я сделаю — перенесу Ванессу на локальную LLM, чтобы не выдумывать схемы с анонимизацией.